一种卫星通信终端辐射源细微特征提取方法

张海瑛,吴玲玲,易卫明,韩晓佩,李 慧

(1.中国电子科技集团公司第五十四研究所，河北 石家庄 050081； 2.河北省电磁频谱认知与管控重点实验室，河北 石家庄 050081； 3.中国人民解放军75775部队，云南 昆明 650000)

0 引言

通信辐射源个体识别在电子对抗或技术侦察领域中具有重要的应用价值。因此，国内外科研人员对辐射源个体识别的问题研究已经有三十多年的经验。尤其是近些年，随着侦察情报生产依层次的划分，将把研究的视野引向更加广泛、更加深入、更加精细的方向，细微特征的定义也由研究单层级的测量信号稳态多维特征参数空间集合到深入挖掘个体目标全元、全息特征空间构建的建立上。目前，辐射源个体识别技术主要有两大类：一类是基于细微特征的辐射源个体识别技术[1-4]，采用联合特征提取的方法，对提取到的原始特征进行再处理，得到能够获取更加准确的通信辐射源指纹信息的特征提取方法；另一类是基于神经网络的辐射源个体识别技术[5-8]，该技术为了减少辐射源个体识别对于人为设计的个体特征依赖程度，深度神经网络能够根据输入数据自适应地提取网络认为有效的个体特征，特征维数更丰富，完成辐射源的个体识别。因此，在实际工程应用中经过大量实际采集的电台个体识别试验的验证，利用细微特征+深度学习的辐射源个体识别可以有效地提高低信噪比条件下目标个体识别的准确度和有效性，显著提升辐射源目标个体识别性能。

基于上述的研究背景[9-11]和进展，本文着重针对卫星通信中特定网络辐射源终端的个体识别问题，试图找到属于卫星通信终端独特的本征表示，这些本征特性不仅有来自于发射机内部元器件或电磁耦合等产生的细微差异，也有来自于相同信号调制模式上的细微差异，更有来自于卫星通信网络分配给各个终端的个体特征，以及通过全侦全控的工作模式获取的元数据实体分层级结果。因此，本文并非单纯研究选择和提取卫星通信终端辐射源信号的稳态特征，而是除了研究信号调制模式的细微特征本身外，还要研究通信组网中稳定且有效的终端个体特征。在此基础上，提出了一种基于细微特征测量和目标个体本征元数据分析相结合的特征空间构建方法，再利用机器学习的相关理论，挖掘相同厂家、相同体制下不同终端个体样本之间多维特征维度的差异规律，继而在全元全息特征空间中提取目标信号的个体本征。

1 卫星通信终端个体本征分析

1.1 卫星通信终端辐射源信号的稳态特征分析

卫星通信侦察采集设备主要完成对卫星上行或下行信号的采集、频谱监视、信号检测、分析、解调以及特定目标信号处理等功能，在信号感知和参数测量层面上获取的特征数据主要包括信号的基本特征和细微特征。其中，信号的基本特征用于描述信号基本属性，主要包括信号的时间域、频率域、空间域和信息域特征参数，信号基本特征与目标个体之间的相关性较弱，基于信号基本特征可用于完成信号的分类识别；信号的细微特征(即指纹特征)，则主要用于描述信号的通信电台发射模块在设计、制造和运行过程中，由于不可控的或无意的误差原因对信号产生的差异影响。信号细微特征与目标个体之间具有很强的相关性，可用于辐射源目标的个体特征分选与识别。

如表1所示，给出了可作为卫通终端信号指纹的特征参数。本文的细微特征空间构建正是需要提取和选择出对辐射源个体识别贡献最大的特征参数，主要包括载频特征、调制指数、频偏对称度、杂散特征、系统非线性特征和高阶谱特征。

表1 本文的信号稳态细微特征信息

1.2 相同调制模式下的细微特征分析

发射相同调制信号、不同辐射源个体的细微特征主要是指附加于发送信号的代表辐射源个体通信设备“身份”的特征[2]。由于每个相同调制模式下的卫星通信终端目标相对多个不同地理位置的卫星通信侦察采集设备，存在接收频率或接收时间的细微差异，所以精准的时差和频差测量参数均可以作为细微特征空间的可提取参量。再者，对于VSAT卫星通信网的特定控制时隙的信号长度和独特字的不同，可以区分主站和小站的差别；即便对于特定控制时隙的信号长度和独特字均相同的多个小站终端，也可以通过TDMA突发检测参数加以个体区分，包括突发起始时间、突发信噪比、突发信息长度、突发剩余频偏(相对于码元速率的归一化数值)以及突发中提取出的用户IP地址等元数据特征。

1.3 通信组网中终端个体特征分析

卫星通信网侦察获取的通信信号特征若从信息获取层级上区分，可分为两大类 ：内部特征(通常是通信信号所包含的信息内容)和外部特征(除信息内容以外通信信号所具有的所有特征)。显然，内部特征随机变化大，卫星通信网络的通信联络特征例如通信的频率、电台呼号、通信术语、联络时间等参量的可变性也较大，并不是长期或固定时间段恒参或稳定的参数，不适合作为个体识别的特征。

卫星通信信号的固有特征一般是指信号的技术特征，从总体上变化较小，甚至有的技术参数会保持长期不变。因此，基于分析和统计的技术特征参数是可被选为卫星终端的个体本征参量的。具体特征包括信号的个体特征和战术特征。信号的个体特征是对信号分析成果的归纳利用，主要用于在信号外部特征相似度较高的条件下，通过对信号特定字段的内容解译和分析，所提取有别于同类型通信信号的特征参数，包括信号的PU码、IMSI 号、网台呼号，以及信号的前导码、地址码等。以TDMA-VSAT网体制卫星通信系统为例，开展网控信令解析要素分析，提取出与主站个体特征相关的特征数据，如表2所示。

表2 TDMA-VSAT网的网控信令解析特征信息

此外，通过对不同体制、特定网络的卫星通信终端进行长期监测和侦收，采用规律、关联分析或协议、指令分析等手段，也能获取个体自我行为的分析与归结。本文以目前先进的ViperSat卫星宽带通信系统为例，开展针对描述ViaSat公司dSCPC-VAST信号个性特征的元数据实体集合的研究，如表3所示。由此可见，个体特征的定义正由测量信号多维特征参数空间集合到更精细、更广泛、更深入的个体目标特征全元、全息特征空间构建进行拓展。

表3 ViperSat SCPC-VAST信号个性特征信息

2 卫星通信终端个体本征参数提取方法

2.1 稳态特征提取方法

在理想状态下，同型号的卫星通信终端不同个体发出相同参数的信号应该是完全相同的，但在实际信号感知和参数测量过程中获取的信号特征参数，去除调制的基本特征参数的影响，可以得到稳态的终端个体细微特征，反映不同辐射源个体的差异。提取步骤如下：

① 对侦收采集得到的终端个体信号估计信号中心频率和带宽，并依据估计出的中心频率进行数字下变频，依据估计出的带宽计算数字采样率变化因子，进行采样率变换，得到调整采样率后的零中频信号；

② 对零中频信号进行用户时隙信号提取，得到去除噪声后的零中频信号；

③ 依据时隙头的独特字(UW)产生本地的基带调制信号，与时隙信号进行相关处理，进行时隙同步，得到零中频时隙信号中独特字开始位置。

④ 用幂次方方法进行剩余频偏估计，并依据估计得到的频率对零中频时隙信号中独特字开始之后的时隙信号去除剩余频率；

⑤ 用CZT方法进一步进行剩余频偏估计，并依据估计得到的频率对零中频时隙信号中独特字开始之后的时隙信号去除剩余频率；

⑥ 进行剩余相位偏移估计，并依据估计得到的相位对零中频时隙信号中独特字开始之后的时隙信号去除剩余相位；

⑦ 依据时隙头的独特字(UW)码字，进行相位模糊纠正，得到纠正个体调制信号层上剩余频率、相位、相位模糊的零中频时隙信号；

⑧ 对时隙信号进行解调，得到解调码流，依据解调码流产生本地的基带调制信号，与纠正个体调制信号层上剩余频率、相位、相位模糊的零中频时隙信号进行减法处理，得到稳态特征中终端个体的细微特征。

2.2 调制细微特征提取方法

由于不同终端个体的传输路径时延和卫星相对运动，导致相同时隙位置的不同终端个体的到达时差和频差存在差异。测量主邻星信号之间同时存在到达时差和到达频差，其中到达时差的取值范围与卫星波束覆盖范围、星间距等参数有关，典型取值范围为±20 μs，到达频差的取值范围与卫星转发器频率偏差和卫星相对运动有关，变化范围±200 Hz。从时频差取值范围来看，时差搜索范围较大，频差搜索范围较小，这就要求在时频差搜索策略选取上，进行优化设计。用GPU实现时频差参数提取方法为：

① 读取并行多路采集主邻星数据；

② 将主邻星数据拷贝至显存；

③ 将主邻星数据用GPU做FFT，从时域至频域变换；

④ 对邻星数据进行频偏纠正处理；

⑤ 对主邻星数据进行信号相关处理；

⑥ 判断相关峰是否满足阈值条件，如果小于阈值，转到④对邻星数据进一步进行频偏纠正处理；如果大于阈值，进行时延调整计算CAF；

⑦ 通过峰值检测输出时差和频差。

2.3 终端个体特征元数据提取方法

对终端个体特征元数据提取方法如下：

① 对收到的信号进行信号参数估计和分析；

② 依据估计得到的信号参数进行信号解调和信道译码；

③ 进行私有协议特征匹配，如果匹配得到已有系统类型，按该系统类型参数(主要包括独特字、特殊波形的参数以及译码方式等)重新进行解调译码参数的引导，并进行信号解调和信道译码；如果该系统包含可用做引导解调译码的网控信令，可按网络信令重新引导该信号或网络其他信号的解调；

④ 从解调译码后的码流中进行网控信息恢复、用户数据拼接和信源恢复；

⑤ 从网控信息中进行信令分析，得到回传载波频率、分组ID、时隙种类信息和IPv4业务信息；

⑥ 从用户信息中提取得到IPv4业务信息。

3 卫星通信终端辐射源个体识别试验分析

3.1 试验条件

针对实星开展侦收外场试验，在不同的地理位置布置3个卫星通信侦察采集设备，设计为对卫星通信终端全侦全控的工作模式，试验数据为一个重点活动海域内10个以上的ViaSat公司卫星通信终端(同厂家同型号)在相同的工作模式下实现组网通联。实际采集的零中频I/Q正交信号，信号中心频率为4.161 GHz，信号带宽为30 MHz，通信终端的信道带宽为25 kHz，采样频率为875 kHz，采样时间为24 h，得到由128 000个样本点构成的样本序列，每个终端采集4 000个样本序列。在识别试验中，采用如图1所示的工作流程完成对卫星通信终端的个体智能识别。

图1 卫星通信终端个体识别的工作流程Fig.1 Workflow of individual identification of satellite communication terminals

3.2 个体本征空间构建

本试验基于细微特征参数测量和通信终端元数据的协同侦察，获取的大量特征参量和元数据均活跃在每一个目标信号的感知细节中，为了应对各类目标辐射源信号的个体需求，设计了与之匹配的个体本征特征空间，这也是最终采用深度学习完成辐射源个体智能识别的前提条件。试验中构建出的个体本征空间主要包括偏移载波频率、调制转移因子、成型系数、瞬时幅度的谱细微特征、时差和频差特征、突发时隙特征(含突发时隙起始时间、突发时隙信噪比、突发时隙信息长度、突发时隙剩余频偏)、用户IP地址、网控信令解析要素等参量在内的集合。如图2所示，给出了个体本征空间中部分细微特征参数表征图。

(a) 实侦信号瞬时特征分析

(b) 实侦信号星座

(c) 成型系数由0～100%变化下相位轨迹图2 部分细微特征参数表征图Fig.2 Part representation of fine features

3.3 终端用户在不同细微特征下的识别差异

以偏移载波频率、瞬时幅度的谱细微特征、时隙分布、时差等4类特征参数为例，分别比较分析通信终端用户的部分个体特征测量差异程度。

(1) 偏移载波频率参数

卫通设备厂家协议规定终端可以捕获的下行信号与中心频率允许偏差在310 Hz内，特殊字段每个时隙下行频率精度在30 Hz内。根据对时隙的中心频率测量，对于150 ms左右的时隙，频率分辨率为6.7 Hz。如图3所示，能够测量到3个用户频率在[33，43，60] Hz，但是对于更多的40 ms左右的时隙，测量频率分辨率为26.315 8 Hz，不足以测量到所有不同用户之间的频率差别。

图3 不同个体的偏移载波频率参数特征Fig.3 Offset carrier frequency characteristics of different individuals

(2) 瞬时幅度的谱细微特征

卫通设备厂家协议规定终端调制速率精度最大允许误差是10-6Rs，对于不同终端的细微偏差应该在该范围内。不同终端的符号速率的细微差别通过测量瞬时幅度的谱的倍频，如图4所示，能够测量到3个用户的符号速率的差别。

图4 不同个体的瞬时幅度谱细微特征Fig.4 Subtle characteristics of instantaneous amplitude spectrum of different individuals

(3) 时隙分布特征

通过对侦收到的信号进行时隙分布和二维统计，得到在TDMA帧不同时隙位置的时隙分布，如图5所示，可以测量出4个用户的不同时隙。

图5 不同个体的时隙分布特征Fig.5 Slot distribution characteristics of different individuals

(4) 到达时差参数

通过对侦收到的卫星终端信号进行到达时差进行24 h测量，得到在不同终端的时差曲线，如图6所示，可以测量出13个用户的不同时差线。

图6 不同个体的到达时差参数特征Fig.6 TOA characteristics of different individuals

3.4 实际的识别性能

为了验证训练样本个数对识别结果的影响，2020年4月～9月将每部终端60 000个样本序列按比例随机划分为训练样本和测试样本，构成训练样本集和测试样本集。利用深度学习残差网络ResNet分别对构造的训练样本集和测试样本集进行特征提取，从而得到各自的潜在细微特征集。13部运动通信终端在不同的训练样本个数条件下的试验结果如表4所示，所有参与试验的个体识别正确率均超过80%。

表4 13部卫星通信终端的平均识别率

4 结论

本文在已有对特定体制卫星通信网信号进行侦察分析和特征参数测量的基础上，提出了一种基于细微特征测量和目标个体本征元数据分析相结合的特征空间构建方法，既考虑了针对时域波形信号的高阶特征、高阶谱、分形维数及时频分析等手段提取辐射源个体的稳态特征，又结合了卫星VSAT通信网信号网络组网信息、网控信息解析结果等与终端个体紧密相关的载波网络侦察元数据分析和统计方法。该方法已经应用到系统装备中,实际探索和检验了相同型号、相同体制通信网络、相同工作模式下外军卫星终端个体识别,试验结果证明该方法具有识别概率高、算法稳健性好的特点。